最大k乘积的时间复杂度_算法时间复杂度和空间复杂度

时间复杂度分析:

1. 只关注循环执行次数最多的一段代码

2. 加法法则：总复杂度等于量级最大的那段代码的复杂度（总的时间复杂度就等于量级最大的那段代码的时间复杂度）

3. 乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

常见时间复杂度实例分析：

1. O(1)（一般情况下，只要算法中不存在循环语句、递归语句，即使有成千上万行的代码，其时间复杂度也是Ο(1)）

2. O(logn)、O(nlogn)

在采用大 O 标记复杂度的时候，可以忽略系数，即 O(Cf(n)) = O(f(n))

如果一段代码的时间复杂度是 O(logn)，我们循环执行 n 遍，时间复杂度就是 O(nlogn) 了。

而且，O(nlogn) 也是一种非常常见的算法时间复杂度。比如，归并排序、快速排序的时间复杂度都是 O(nlogn)

3. O(m+n)、O(m*n)

空间复杂度分析：

常见的空间复杂度就是 O(1)、O(n)、O(n2)，像 O(logn)、O(nlogn) 这样的对数阶复杂度平时都用不到

1、最好情况时间复杂度就是，在最理想的情况下，执行这段代码的时间复杂度

2、最坏情况时间复杂度就是，在最糟糕的情况下，执行这段代码的时间复杂度

3、平均情况时间复杂度，代码在所有情况下执行的次数的加权平均值表示

4、均摊时间复杂度，平摊是特殊的平均

1）代码在绝大多数情况下是低级别复杂度，只有极少数情况是高级别复杂度；

2）低级别和高级别复杂度出现具有时序规律。均摊结果一般都等于低级别复杂度。